論文の概要: Domain-Specific Self-Supervised Representation Learning for Retinal Fundus Classification

• arxiv url: http://arxiv.org/abs/2608.26686v1
• Date: Thu, 27 Aug 2026 06:44:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.275739
• Title: Domain-Specific Self-Supervised Representation Learning for Retinal Fundus Classification
• Title（参考訳）: 網膜基底分類のためのドメイン特化自己監督表現学習
• Authors: Bekzat Nurlanbekova, Fung Fung Ting,
• Abstract要約: 自己教師付き学習は、ラベルのないデータから有用な表現を学ぶための有望な代替手段として登場した。 本研究では,眼底画像からの網膜疾患分類のためのSSLフレームワークSimSiamとSimCLRについて検討する。 網膜画像の特徴に対する改善戦略の調整が,性能向上に重要な役割を担っていることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the growing number of public datasets, annotated medical images remain scarce. Supervised learning methods achieve strong performance on many benchmarks, however require large amounts of labeled data, which are costly and time-consuming to obtain in the medical domain. To address this limitation, contrastive self-supervised learning (SSL) has emerged as a promising alternative for learning useful representations from unlabeled data. In this work, we investigate two SSL frameworks, SimSiam and SimCLR, for retinal disease classification from fundus images. We focus on understanding how augmentation strategies and training parameters influence representation learning under resource-constrained settings. Given limited data and computational capacity, we explore the feasibility of training SSL models with small batch sizes incorporated with retinal-specific augmentation techniques. Through a series of experiments, we assess the quality of learned representations via linear evaluation and fine-tuning across downstream tasks, including multi-disease classification and diabetic retinopathy grading. Our results show that tailoring augmentation strategies to the characteristics of retinal images plays a critical role in improving performance. Even under constrained settings, lightweight SSL frameworks can learn transferable representations that reduce dependence on large annotated datasets and achieve competitive results.
• Abstract（参考訳）: 公開データセットの増加にもかかわらず、注釈付き医療画像はほとんど残っていない。 教師付き学習法は多くのベンチマークで高い性能を達成するが、医療領域で取得するには大量のラベル付きデータが必要である。 この制限に対処するために、ラベルのないデータから有用な表現を学ぶための有望な代替手段として、対照的な自己教師付き学習(SSL)が登場した。 本研究では,眼底画像からの網膜疾患分類のためのSSLフレームワークSimSiamとSimCLRについて検討する。 我々は,資源制約条件下での表現学習に,強化戦略とトレーニングパラメータがどう影響するかを理解することに注力する。 限られたデータと計算能力を考えると、網膜特異的拡張技術が組み込まれた小さなバッチサイズでSSLモデルをトレーニングできる可能性について検討する。 一連の実験を通じて,マルチディスリーズ分類や糖尿病網膜症グレーディングを含む下流課題に対する線形評価と微調整により,学習表現の質を評価する。 以上の結果から,網膜画像の特徴に対する拡張戦略の調整が,パフォーマンス向上に重要な役割を担っていることが示唆された。 制約のある設定であっても、軽量なSSLフレームワークは、大きな注釈付きデータセットへの依存を減らし、競合的な結果を得るために転送可能な表現を学ぶことができる。

関連論文リスト

• Multi-View Synergistic Learning with Vision-Language Adaption for Low-Resource Biomedical Image Classification [59.24009931000134]
  MVSL(Multi-View Synergistic Learning)は、適応パラダイム、表現の粒度、疾患の意味的関係に対処する統合フレームワークである。 MVSLは、視覚的およびテキスト的エンコーダの適応を分離し、それぞれの表現特性を尊重する。 さらに、グローバルなイメージセマンティクスと局所的な病変レベルの証拠の両方を明示的にモデル化するために、多粒性コントラスト学習を導入する。 MVSLは、いくつかのショットとゼロショットの分類設定において、最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2026-04-27T02:41:27Z)
• A BERT-Style Self-Supervised Learning CNN for Disease Identification from Retinal Images [5.0086124858415335]
  医用画像研究において、高品質なラベルの取得は高価かつ困難である。 本研究では,BERTスタイルの自己教師型学習手法を実装するために,軽量CNNフレームワークであるnn-MobileNetを用いる。 アルツハイマー病 (AD) , パーキンソン病 (PD) , および各種網膜疾患の鑑別について, 事前訓練を行った。
  論文  参考訳（メタデータ） (2025-04-25T03:38:55Z)
• Reducing self-supervised learning complexity improves weakly-supervised classification performance in computational pathology [0.0]
  自己教師付き学習(SSL)法は、注釈のないデータの大規模解析を可能にする。 本研究では、SSLの分類性能と、コンシューマグレードハードウェアの利用に関する複雑さについて検討した。 実験により,SSLトレーニング期間を90%短縮しつつ,下流分類性能を向上できることが実証された。
  論文  参考訳（メタデータ） (2024-03-07T14:56:06Z)
• Overcoming Dimensional Collapse in Self-supervised Contrastive Learning for Medical Image Segmentation [2.6764957223405657]
  医用画像解析分野へのコントラスト学習の適用について検討する。 以上の結果から,最先端のコントラスト学習手法であるMoCo v2は,医用画像に適用すると次元的崩壊に遭遇することが明らかとなった。 これを解決するために,局所的な特徴学習と特徴デコレーションという2つの重要な貢献を提案する。
  論文  参考訳（メタデータ） (2024-02-22T15:02:13Z)
• Active Learning Enhances Classification of Histopathology Whole Slide Images with Attention-based Multiple Instance Learning [48.02011627390706]
  我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。 新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。 将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
  論文  参考訳（メタデータ） (2023-03-02T15:18:58Z)
• Benchmarking Self-Supervised Learning on Diverse Pathology Datasets [10.868779327544688]
  自己教師付き学習は、ラベルのないデータを活用する効果的な方法であることが示されている。 我々は、病理画像データに基づいてSSL事前トレーニングを行う最大規模の研究を行う。 核インスタンスセグメンテーションの課題に対してSSLを初めて適用する。
  論文  参考訳（メタデータ） (2022-12-09T06:38:34Z)
• Dissecting Self-Supervised Learning Methods for Surgical Computer Vision [51.370873913181605]
  一般のコンピュータビジョンコミュニティでは,自己監視学習(SSL)手法が普及し始めている。 医学や手術など、より複雑で影響力のある領域におけるSSLメソッドの有効性は、限定的かつ未調査のままである。 外科的文脈理解,位相認識,ツール存在検出の2つの基本的なタスクに対して,これらの手法の性能をColec80データセット上で広範囲に解析する。
  論文  参考訳（メタデータ） (2022-07-01T14:17:11Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• Intelligent Masking: Deep Q-Learning for Context Encoding in Medical Image Analysis [48.02011627390706]
  我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。 予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
  論文  参考訳（メタデータ） (2022-03-25T19:05:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。